基于卷积神经网络的种苗病害识别方法

【目的】研究改进经典卷积神经网络模型AlexNet在番茄叶片病害识别中出现的过拟合问题,使之成为识别精度更高,泛化能力更强的网络模型,达到精准识别番茄叶片病害类型的目的。【方法】AlexNet-Improved模型采用数据增强与随机失活部分神经元的方法改进了原始AlexNet网络模型出现的过拟合现象,利用PlantVillage数据库中十种类型的番茄数据为数据集对模型进行训练,选取LeNet模型,原始AlexNet模型,VGG16模型作为对比网络模型,采用5种常用的评估指标来评估改后的模型,即混淆矩阵,准确率,精确率,召回率,F1值。与此同时,绘制了训练过程中的训练准确率曲线、验证准确率曲线、训练损失率曲线、验证损失率曲线来直观地显示模型的性能,最后用改进后的网络模型AlexNet-Improved训练所得的权重文件对具体番茄病害叶片进行识别。【结果】1)改进的模型AlexNet-Improved在150个epoch的训练过程中,其训练效果比其他网络模型更好,原AlexNet模型的过拟合问题经过改进后得到了很大的改善。2)AlexNet-Improved的混淆矩阵数据显示,改进后的模型正确识别出的总番茄病害样本数量比其他网络模型更多。3)AlexNet-Improved模型准确率为95.8%,比原模型高2.4%,F1值比原模型高3%。4)具体案例分析发现,改进的模型AlexNet-Improved可以准确识别出叶片所患病害类型。【结论】在原AlexNet模型的基础上,通过使用翻转、裁剪操作扩增数据集,在全连接层使用Dropout层随机失活50%的神经元后,改进的模型AlexNet-Improved比其他模型在训练效果、准确性和具体番茄叶片病害识别上均有更好的表现。